CN109920540A - 辅助诊疗决策系统的构建方法、装置及计算机设备 - Google Patents

Abstract

本发明公开了一种辅助诊疗决策系统的构建方法、装置、计算机设备及存储介质，其中构建方法通过获取医学知识提取相应的诊疗规则，构建医学知识图谱；并通过获取诊疗临床数据，与医学知识图谱形成映射，并训练提取出相应的诊疗规则；然后基于提取的两种规则构建成辅助诊疗决策系统的诊疗规则库，用于进行相应的辅助诊疗。本发明通过结合医学知识图谱和诊疗临床数据来对具体病例情况进行深入的分析和识别，大大提升了识别准确性。并且由于临床数据的诊疗规则的提取是基于医学知识图谱指导的，所以目标性更明确。另外，通过映射使得医学知识图谱的构建受到临床数据的引导，其诊疗规则更适用。

Description

辅助诊疗决策系统的构建方法、装置及计算机设备

技术领域

本发明涉及人工智能技术领域，具体涉及一种辅助诊疗决策系统的 构建方法、装置、计算机设备及存储介质。

背景技术

伴随着国家《新一代人工智能发展规划》的发布，人工智能技术已经在 交通、金融、安防等领域百花齐放，医疗行业更是智能时代不可缺少的篇 章，从智能导诊到影像识别，从辅助诊断到新药研发，一个智能医疗的时 代正在来临。以信息化、智能化为特征的新型医疗服务模式正在出现。“信 息化、智能化”服务模式的核心是临床决策支持系统(Clinical DecisionSopport System,简称CDSS)。CDSS是一个基于人机交互的医疗 信息技术应用系统，旨在为医生和其他卫生从业人员提供临床决策支持， 通过数据、模型等辅助完成临床决策。

CDSS能够通过降低漏诊率、误诊率以及规范化诊疗行为与过程达到提 高医疗卫生机构医疗服务质量的目的。目前国外技术领先、权威的CDSS有 BMJ集团研发的BMJ最佳临床实践，，Wolter Kluwer医疗集团研制的 UpToDate等。新近人工智能机器学习、自然语言处理等技术的发展为CDSS 带来了新的活力，IBM Waston for Oncology就是其典型代表。

国内CDSS的发展起步较晚，但近年来发展迅速。目前国内应用较广的 CDSS主要有人民卫生出版社的人卫临床助手、惠每科技开发的基于AI技 术的惠每临床决策辅助系统等。科大讯飞的“智医助理”机器人全面学习 了相关医学专业教材、临床指南和经典病例等海量资料，掌握了大量的医 学知识，并具有智能语音识别功能。“智医助理”已经于2018年3月开始 在合肥庐阳区“实习”，辅助基层全科医生每天完成诊疗工作，可以根据医 生和患者的对话迅速生成电子病历并给出辅助诊断，医生再进一步确认。

基于临床指南、专家文献等客观数据资料，通过对相关信息的收集、整 理和分类、加工等，建立逻辑关联知识点，以数据库的形式存储，在诊疗 活动中实现对疾病诊断、治疗、合理用药等方面的决策支持。所以目前的 CDSS使用的核心技术是数据库存储和检索。

这种模式存在一定的局限性，只能基于既有的固化知识做出指导和评 估，无法针对个体的实际情况进行更加深入和准确的挖掘分析，在决策支 持的可靠性和精准度方面都有所欠缺。

发明内容

本发明要解决现有技术中无法针对个体的实际情况进行更加深入和精 确的挖掘分析的问题，从而提供一种辅助诊疗决策系统的构建方法、装置、 计算机设备及存储介质。

本发明的一方面，提供了一种辅助诊疗决策系统的构建方法，包括： 获取医学知识文本，从所述医学知识文本中解析出第一诊疗规则，利用所 述第一诊疗规则构建医学知识图谱；获取诊疗临床数据，利用自然语言处 理规则对所述诊疗临床数据进行处理，得到诊疗临床文本；将所述诊疗临 床文本中的信息映射到所述医学知识图谱中，使得所述诊疗临床文本与所 述医学知识图谱中的语言表述一致；利用机器学习算法对所述诊疗临床文本进行训练，提取出第二诊疗规则；利用所述第一诊疗规则和所述第二诊 疗规则构建成辅助诊疗决策系统的诊疗规则库。

可选地，利用自然语言处理规则对所述诊疗临床数据进行处理，得到 诊疗临床文本，包括：获取预先建立的医学关键词词库；利用自然语言处 理规则结合所述词库对所述诊疗临床数据进行分词。

可选地，利用自然语言处理规则结合所述词库对所述诊疗临床数据进 行分词，包括：结合所述词库对每一条所述诊疗临床数据进行分词，得到 多个分词方案；利用预先建立的语言统计模型对所述多个分词方案进行检 测，得到每个分词方案的评分；选择评分最高的分词方案作为对应的诊疗 临床数据的分词结果。

可选地，在利用自然语言处理规则对所述诊疗临床数据进行处理之前， 还包括：对所述诊疗临床数据进行标准化预处理，以得到有效的诊疗临床 数据；对所述有效的诊疗临床数据进行标注；对所述有效的诊疗临床数据 进行特征检测，得到每条诊疗临床数据的贡献值；根据所述贡献值选择相 应的诊疗临床数据。

可选地，利用机器学习算法对所述诊疗临床文本进行训练，提取出第 二诊疗规则，包括：将所述诊疗临床文本中的临床特征作为机器学习算法 的输入，将诊断结果作为因变量进行训练，得到临床特征与因变量的关联 关系，以提取出所述第二诊疗规则。

可选地，在利用所述第一诊疗规则和所述第二诊疗规则构建成辅助诊 疗决策系统的诊疗规则库之后，还包括：利用增量学习自动更新所述第一 诊疗规则和所述第二诊疗规则。

本发明的另一方面，提供了一种辅助诊疗决策系统的构建装置，包括： 第一提取模块，用于获取医学知识文本，从所述医学知识文本中解析出第 一诊疗规则，利用所述第一诊疗规则构建医学知识图谱；语言处理模块， 用于获取诊疗临床数据，利用自然语言处理规则对所述诊疗临床数据进行 处理，得到诊疗临床文本；映射模块，用于将所述诊疗临床文本中的信息 映射到所述医学知识图谱中，得到临床辅助诊断特征池，使得所述诊疗临床文本与所述医学知识图谱中的语言表述一致；第二提取模块，用于利用 机器学习算法对所述诊疗临床文本进行训练，提取出第二诊疗规则；构建 模块，用于利用所述第一诊疗规则和所述第二诊疗规则构建成辅助诊疗决 策系统的诊疗规则库。

可选地，所述第二提取模块，具体用于：将所述诊疗临床文本中的临 床特征作为机器学习算法的输入，将诊断结果作为因变量进行训练，得到 临床特征与因变量的关联关系，以提取出所述第二诊疗规则。

本发明的另一方面，提供了一种计算机设备，包括存储器、处理器以 及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所 述计算机程序时实现上述方法的步骤。

本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计 算机程序：所述计算机程序被处理器执行时实现上述方法的步骤。

根据本发明实施例，通过获取医学知识提取相应的诊疗规则，构建医 学知识图谱；并通过获取诊疗临床数据，与医学知识图谱形成映射，并训 练提取出相应的诊疗规则；然后基于提取的两种规则构建成辅助诊疗决策 系统的诊疗规则库，用于进行相应的辅助诊疗。本发明通过结合医学知识 图谱和诊疗临床数据来对具体病例情况进行深入的分析和识别，大大提升 了识别准确性。并且由于临床数据的诊疗规则的提取是基于医学知识图谱 指导的，所以目标性更明确。另外，通过映射使得医学知识图谱的构建受 到临床数据的引导，其诊疗规则更适用。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍， 显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。

图1为本发明实施例中辅助诊疗决策系统的构建方法的流程图；

图2为本发明实施例中辅助诊疗决策系统的构建装置的示意图；

图3为本发明实施例计算机设备的硬件结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发 明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得 的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三” 仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼 此之间未构成冲突就可以相互结合。

本发明实施例提供了一种辅助诊疗决策系统的构建方法，如图1所示， 方法包括：

步骤S101，获取医学知识文本，从所述医学知识文本中解析出第一诊 疗规则，利用所述第一诊疗规则构建医学知识图谱。

该医学知识文本包括临床诊疗指南、专家共识、标准临床路径和医生诊 疗经验等具有医学指导价值的文本内容，从该内容中解析出相应的诊疗规 则，拆分实体，建立关系，构建医学知识图谱。根据医生诊断治疗逻辑， 搭建推理引擎。将知识图谱和推理引擎融合，实现医学知识推理。对于如 何利用诊疗规则进行医学知识图谱的建立，可以参照现有的相关技术。

步骤S102，获取诊疗临床数据，利用自然语言处理规则对所述诊疗临 床数据进行处理，得到诊疗临床文本。诊疗临床数据是指临床诊断、治疗 的相关数据，包括临床病症、诊断过程、治疗过程、治疗结果等相关数据。 由于这些诊疗临床数据无序化、不规则，需要通过自然语言处理规则进行 相应的结构化处理，形成可识别的诊疗临床文本。

步骤S103，将所述诊疗临床文本中的信息映射到所述医学知识图谱中， 使得所述诊疗临床文本与所述医学知识图谱中的语言表述一致。通过将诊 疗临床文本中的信息映射到医学知识图谱中，保证诊疗临床文本中的关键 信息与医学知识图谱中的表达一致，实现诊疗临床文本的完全标准化。

步骤S104，利用机器学习算法对所述诊疗临床文本进行训练，提取出 第二诊疗规则。

本发明实施例中，将映射后得到的标准文本特征融入临床辅助诊断特 征池中从而提取来自于诊疗临床数据的诊疗规则，也即是第二诊疗规则。 由于临床数据的诊疗规则的提取是基于医学知识图谱指导的，所以目标性 更明确。另外，通过映射使得医学知识图谱的构建受到临床数据的引导， 其诊疗规则更适用。

步骤S105，利用所述第一诊疗规则和所述第二诊疗规则构建成辅助诊 疗决策系统的诊疗规则库。

由第一诊疗规则集合得到″基于知识图谱的诊疗规则库″，由第二诊疗规 则集合得到″基于临床数据的诊疗规则库″，然后将″基于临床数据的诊疗规 则库″中的多棵决策树与″基于知识图谱的诊疗规则库″中的多棵决策树集 合在一起，生成智能临床辅助诊疗决策森林，也即是形成辅助诊疗决策系 统的诊疗规则库。在人工智能诊疗建议及医生临床经验的双重辅助下，使 患者得到更全面、更精准的治疗服务。

根据本发明实施例，通过获取医学知识提取相应的诊疗规则，构建医 学知识图谱；并通过获取诊疗临床数据，与医学知识图谱形成映射，并训 练提取出相应的诊疗规则；然后基于提取的两种规则构建成辅助诊疗决策 系统的诊疗规则库，用于进行相应的辅助诊疗。本发明通过结合医学知识 图谱和诊疗临床数据来对具体病例情况进行深入的分析和识别，大大提升 了识别准确性。并且由于临床数据的诊疗规则的提取是基于医学知识图谱 指导的，所以目标性更明确。另外，通过映射使得医学知识图谱的构建受 到临床数据的引导，其诊疗规则更适用。

需要说明的是，本发明实施例中所述的病例的诊断和识别，并非是要 保护一种新的疾病的诊断和治疗方法，而仅仅是利用已有、已知的诊疗推 理规则来进行辅助识别病理。

作为一种可选实施方式，在获取到诊疗临床数据之后，以及在利用自 然语言处理规则对所述诊疗临床数据进行处理之前，还包括：对所述诊疗 临床数据进行标准化预处理，以得到有效的诊疗临床数据；对所述有效的 诊疗临床数据进行标注；对所述有效的诊疗临床数据进行特征检测，得到 每条诊疗临床数据的贡献值；根据所述贡献值选择相应的诊疗临床数据。

具体地，需要对数据进行预处理、数据标注以及特征选择等处理。

其中，数据预处理：由于诊疗临床数据体量巨大、形式复杂且原始数 据纯度不高，所以需要对其进行预处理，包括数据清洗、异常值以及缺失 值检查和独热解码等，使数据标准化。

数据标注：根据数据的临床意义，对各个字段进行数据标注，以保证 模型的临床适用性。

特征选择：建立机器学习模型时，并非所有特征都对模型有同等的贡 献，也不是特征越多越好，所以需要进行特征选择，从众多检验检查项中 选择对模型的结果预测贡献高的指标，使用机器学习算法进行特征选择。 在具体处理过程中，可以通过设置相应的计分项来计算每条诊疗临床数据 的贡献值，选择贡献值靠前的诊疗临床数据进行后续处理。其中，计分规 则可以通过相应的关键词来统计。例如，对于诊疗相关的关键词设置对应 的分值，在进行特征检测时，识别出每条诊疗临床数据中的关键词，计算 关键词的分值总和，得到该条诊疗临床数据的总积分(也即是贡献值)。

作为一种可选的实施方式，利用自然语言处理规则对所述诊疗临床数 据进行处理，得到诊疗临床文本，包括：获取预先建立的医学关键词词库； 利用自然语言处理规则结合所述词库对所述诊疗临床数据进行分词。

由于医疗系统中的电子病历、影像学报告、体检报告等医学文本中包 含着大量的文本数据，通过语义分析算法提取其中的关键信息，以及信息 间的语义关联关系，同时自动纠正不规范用法及错误用法，实现电子病历、 病理\影像学报告等医学文本数据的结构化与标准化。具体地，先对海量医 学文本数据进行关键词提取，从而形成包含多种医学文本高频词的医学词 库。由于不同类型的医学文本中所包含的关键词有所差异，所以还可以根 据不同病种、不同属性甚至不同科室分为子词库，以便提高调用词库进行 分词的效率。然后，结合词库对医学文本中的信息进行分词，将上述中文 自然语言处理应用于医学文本信息的处理中，可以实现智能分词、语义依 存分析、术语识别、自动化标准化医学信息提取。

进一步可选地，利用自然语言处理规则结合所述词库对所述诊疗临床 数据进行分词，包括：结合所述词库对每一条所述诊疗临床数据进行分词， 得到多个分词方案；利用预先建立的语言统计模型对所述多个分词方案进 行检测，得到每个分词方案的评分；选择评分最高的分词方案作为对应的 诊疗临床数据的分词结果。由于语言的变化性，尤其是中文可以形成多种 组合性，通过采用多种分词方案进行评分的方式，可以大大提高分词的准确性。

来自于临床数据的文本、数字等多种形式的医学数据经过自然语言处 理、预处理、集成学习算法特征选择进行特征提取后，均转换成了维度相 同的特征数据。将文本特征、数字特征相融合并映射到同一空间，形成临 床辅助诊断特征池。

作为一种可选的实施方式，本发明实施例中，利用机器学习算法对所 述诊疗临床文本进行训练，提取出第二诊疗规则，包括：将所述诊疗临床 文本中的临床特征作为机器学习算法的输入，将诊断结果作为因变量进行 训练，得到临床特征与因变量的关联关系，以提取出所述第二诊疗规则。

本发明实施例中，利用机器学习算法对来自于临床数据的临床数据进 行诊疗规则提取，形成″基于临床数据的诊疗规则库″。具体规则提取的方 式是：将特征池中的多种特征做为机器学习算法的输入，将诊断结果(包 括所关心的疾病，药物等)作为因变量，利用大规模的数据去训练机器学 习算法模型，发现各种临床特征和因变量的关联，自动提取诊疗规则。另 外基于树模型的机器学习算法更专注于模型的可解释性，在医学领域可接受度较强。

机器学习算法以特定比例划分学习机与推理机数据集，一种可选的学 习机实现流程如下：

(1)输入学习机数据集；

(2)定义目标函数(损失+正则化项)；

(3)利用贪心法进行切分点查找，构建决策树，并计算叶子结点的分 数；

(5)更新决策树序列，保存构建好的所有决策树及其得分；

(6)计算各个样本的预测结果，即每棵树的得分之和，得到样本属于 各个类别的概率；

(7)自动抽取诊疗规则，生成″基于临床数据的诊疗规则库″。

作为一种可选的实施方式，本发明实施例中，在利用所述第一诊疗规 则和所述第二诊疗规则构建成辅助诊疗决策系统的诊疗规则库之后，还包 括：利用增量学习自动更新所述第一诊疗规则和所述第二诊疗规则。

由于随着医学文献、指南、共识、开放数据库中记录的临床经验的逐 渐丰富，需要不断更新“基于知识图谱的诊疗规则库”；随着新数据的引入， 需要进行增量学习自动更新“基于临床数据的诊疗规则库”。具体地，对于 增量数据，采用本发明实施例中上述实施方式对增量数据进行相应的处理 和学习，从而更新相应的诊疗规则。

本发明实施例还提供了一种辅助诊疗决策系统的构建装置，该装置可 以用于执行本发明实施例所述的辅助诊疗决策系统的构建方法，如图2所 述，该装置包括：

第一提取模块201，用于获取医学知识文本，从所述医学知识文本中解 析出第一诊疗规则，利用所述第一诊疗规则构建医学知识图谱；

语言处理模块202，用于获取诊疗临床数据，利用自然语言处理规则对 所述诊疗临床数据进行处理，得到诊疗临床文本；

映射模块203，用于将所述诊疗临床文本中的信息映射到所述医学知识 图谱中，得到临床辅助诊断特征池，使得所述诊疗临床文本与所述医学知 识图谱中的语言表述一致；

第二提取模块204，用于利用机器学习算法对所述诊疗临床文本进行训 练，提取出第二诊疗规则；

构建模块205，用于利用所述第一诊疗规则和所述第二诊疗规则构建成 辅助诊疗决策系统的诊疗规则库。

可选地，所述第二提取模块，具体用于：将所述诊疗临床文本中的临 床特征作为机器学习算法的输入，将诊断结果作为因变量进行训练，得到 临床特征与因变量的关联关系，以提取出所述第二诊疗规则。

可选地，所述语言处理模块包括：获取单元，用于获取预先建立的医 学关键词词库；分词单元，用于利用自然语言处理规则结合所述词库对所 述诊疗临床数据进行分词。

可选地，所述分词单元包括：分词子单元，用于结合所述词库对每一 条所述诊疗临床数据进行分词，得到多个分词方案；检测子单元，用于利 用预先建立的语言统计模型对所述多个分词方案进行检测，得到每个分词 方案的评分；选择子单元，用于选择评分最高的分词方案作为对应的诊疗 临床数据的分词结果。

可选地，装置还包括：预处理模块，用于对所述诊疗临床数据进行标 准化预处理，以得到有效的诊疗临床数据；标注模块，用于对所述有效的 诊疗临床数据进行标注；检测模块，用于对所述有效的诊疗临床数据进行 特征检测，得到每条诊疗临床数据的贡献值；选择模块，用于根据所述贡 献值选择相应的诊疗临床数据。

可选地，装置还包括：更新模块，用于在利用所述第一诊疗规则和所 述第二诊疗规则构建成辅助诊疗决策系统的诊疗规则库之后，利用增量学 习自动更新所述第一诊疗规则和所述第二诊疗规则。

具体描述参见上述方法实施例，这里不再赘述。

本实施例还提供一种计算机设备，如可以执行程序的台式计算机、机 架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服 务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器 22，如图3所示。需要指出的是，图3仅示出了具有组件21-22的计算机设 备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施 更多或者更少的组件。

本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体 卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、 静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只 读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、 光盘等。在一些实施例中，存储器21可以是计算机设备20的内部存储单 元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器21 也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的 插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital， SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机 设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21 通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如实施 例所述的辅助诊疗决策系统的构建装置的程序代码等。此外，存储器21还 可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器22在一些实施例中可以是中央处理器(Central Processing Unit， CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22 通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运 行存储器21中存储的程序代码或者处理数据，例如运行辅助诊疗决策系统 的构建装置，以实现实施例的辅助诊疗决策系统的构建方法。

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、 卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态 随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存 储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、 服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行 时实现相应功能。本实施例的计算机可读存储介质用于存储辅助诊疗决策 系统的构建装置，被处理器执行时实现实施例的辅助诊疗决策系统的构建 方法。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方 式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予 以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请的保护范 围之中。

Claims (10)

1.一种辅助诊疗决策系统的构建方法，其特征在于，包括：

获取医学知识文本，从所述医学知识文本中解析出第一诊疗规则，利用所述第一诊疗规则构建医学知识图谱；

获取诊疗临床数据，利用自然语言处理规则对所述诊疗临床数据进行处理，得到诊疗临床文本；

将所述诊疗临床文本中的信息映射到所述医学知识图谱中，使得所述诊疗临床文本与所述医学知识图谱中的语言表述一致；

利用机器学习算法对所述诊疗临床文本进行训练，提取出第二诊疗规则；

利用所述第一诊疗规则和所述第二诊疗规则构建成辅助诊疗决策系统的诊疗规则库。

2.根据权利要求1所述的辅助诊疗决策系统的构建方法，其特征在于，利用自然语言处理规则对所述诊疗临床数据进行处理，得到诊疗临床文本，包括：

获取预先建立的医学关键词词库；

利用自然语言处理规则结合所述词库对所述诊疗临床数据进行分词。

3.根据权利要求2所述的辅助诊疗决策系统的构建方法，其特征在于，利用自然语言处理规则结合所述词库对所述诊疗临床数据进行分词，包括：

结合所述词库对每一条所述诊疗临床数据进行分词，得到多个分词方案；

利用预先建立的语言统计模型对所述多个分词方案进行检测，得到每个分词方案的评分；

选择评分最高的分词方案作为对应的诊疗临床数据的分词结果。

4.根据权利要求2所述的辅助诊疗决策系统的构建方法，其特征在于，在利用自然语言处理规则对所述诊疗临床数据进行处理之前，还包括：

对所述诊疗临床数据进行标准化预处理，以得到有效的诊疗临床数据；

对所述有效的诊疗临床数据进行标注；

对所述有效的诊疗临床数据进行特征检测，得到每条诊疗临床数据的贡献值；

根据所述贡献值选择相应的诊疗临床数据。

5.根据权利要求1所述的辅助诊疗决策系统的构建方法，其特征在于，利用机器学习算法对所述诊疗临床文本进行训练，提取出第二诊疗规则，包括：

将所述诊疗临床文本中的临床特征作为机器学习算法的输入，将诊断结果作为因变量进行训练，得到临床特征与因变量的关联关系，以提取出所述第二诊疗规则。

6.根据权利要求1所述的辅助诊疗决策系统的构建方法，其特征在于，在利用所述第一诊疗规则和所述第二诊疗规则构建成辅助诊疗决策系统的诊疗规则库之后，还包括：

利用增量学习自动更新所述第一诊疗规则和所述第二诊疗规则。

7.一种辅助诊疗决策系统的构建装置，其特征在于，包括：

第一提取模块，用于获取医学知识文本，从所述医学知识文本中解析出第一诊疗规则，利用所述第一诊疗规则构建医学知识图谱；

语言处理模块，用于获取诊疗临床数据，利用自然语言处理规则对所述诊疗临床数据进行处理，得到诊疗临床文本；

映射模块，用于将所述诊疗临床文本中的信息映射到所述医学知识图谱中，得到临床辅助诊断特征池，使得所述诊疗临床文本与所述医学知识图谱中的语言表述一致；

第二提取模块，用于利用机器学习算法对所述诊疗临床文本进行训练，提取出第二诊疗规则；

构建模块，用于利用所述第一诊疗规则和所述第二诊疗规则构建成辅助诊疗决策系统的诊疗规则库。

8.根据权利要求7所述的辅助诊疗决策系统的构建装置，其特征在于，所述第二提取模块，具体用于：

将所述诊疗临床文本中的临床特征作为机器学习算法的输入，将诊断结果作为因变量进行训练，得到临床特征与因变量的关联关系，以提取出所述第二诊疗规则。

9.一种计算机设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。